TW202307465A - 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 - Google Patents
放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 Download PDFInfo
- Publication number
- TW202307465A TW202307465A TW110129134A TW110129134A TW202307465A TW 202307465 A TW202307465 A TW 202307465A TW 110129134 A TW110129134 A TW 110129134A TW 110129134 A TW110129134 A TW 110129134A TW 202307465 A TW202307465 A TW 202307465A
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- image processing
- radiographic image
- radiation
- image
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本發明提供一種可有效地去除放射線圖像之雜訊之放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式及放射線圖像處理系統。控制裝置20具備:輸入部201,其受理表示照射X射線並拍攝對象物F時之X射線之產生源之動作條件、或對象物F之攝像時之攝像條件之任一者之條件資訊之輸入;算出部202,其基於條件資訊,算出穿透對象物F之X射線之平均能量;及篩選部203,其基於平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型206之中,篩選學習完成模型206之候選者。
Description
實施形態之一態樣係關於一種放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法。
自先前已知以圖像資料為對象使用藉由深度學習等之機器學習而構建之學習完成模型進行雜訊去除之手法(例如,參照下述專利文獻1)。根據該手法,由於自動地去除來自圖像資料之雜訊,因此可高精度地觀察對象物。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2019-91393號公報
[發明所欲解決之課題]
於如上述之先前之手法中,於以藉由使X射線等放射線穿透對象物而產生之放射線圖像為對象之情形下,有時雜訊之去除不充分。例如,有如下之傾向:根據X射線源等放射線產生源之條件、所使用之濾光器之種類等條件,圖像之亮度與雜訊之關係容易變動,而無法有效地去除雜訊。
因此,實施形態之一態樣係鑒於所述課題而完成者,其課題在於提供一種可有效地去除放射線圖像之雜訊之放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法。
[解決課題之技術手段]
實施形態之一態樣之放射線圖像處理方法具備如下之步驟:輸入表示照射放射線並拍攝對象物時之放射線之產生源之條件、或攝像條件之任一者之條件資訊;基於條件資訊,算出與穿透對象物之放射線相關之平均能量;及基於平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
或者,實施形態之另一態樣之學習完成模型,係於上述之放射線圖像處理方法中所使用之學習完成模型,使用圖像資料藉由機器學習而構建,使處理器執行自對象物之放射線圖像去除雜訊之圖像處理。
或者,實施形態之另一態樣之放射線圖像處理模組具備:輸入部,其受理表示照射放射線並拍攝對象物時之放射線之產生源之條件、或攝像條件之任一者之條件資訊之輸入;算出部,其基於條件資訊,算出與穿透對象物之放射線相關之平均能量;及篩選部,其基於平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
或者,實施形態之另一態樣之放射線圖像處理程式使處理器作為輸入部、算出部、篩選部發揮功能,該輸入部受理表示照射放射線並拍攝對象物時之放射線之產生源之條件、或攝像條件之任一者之條件資訊之輸入;該算出部基於條件資訊,算出與穿透對象物之放射線相關之平均能量;該篩選部基於平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
或者,實施形態之另一態樣之放射線圖像處理系統具備:上述之放射線圖像處理模組;產生源,其向對象物照射放射線;及攝像裝置,其拍攝穿透對象物之放射線並取得放射線圖像。
或者,實施形態之另一態樣之機器學習方法,具備藉由機器學習構建學習完成模型之步驟,該學習完成模型係將跟基於表示照射放射線並拍攝對象物時之放射線之產生源之條件或攝像條件之任一者之條件資訊,而算出之平均能量,且係與穿透對象物之放射線相關之平均能量對應之對象物之放射線圖像之訓練圖像,作為訓練資料使用,輸出基於訓練圖像而去除雜訊後之圖像資料。
根據上述一態樣或者另一態樣之任一者,基於取得對象物之放射線圖像時之放射線之產生源之條件或攝像條件,算出穿透對象物之放射線之平均能量。然後,基於該平均能量,自預先構建之學習完成模型之中篩選雜訊去除所使用之學習完成模型之候選者。藉此,由於與攝像對象之放射線之平均能量對應之學習完成模型使用於雜訊去除,因此可實現跟放射線圖像之亮度與雜訊之關係對應之雜訊去除。其結果為,可有效地去除放射線圖像之雜訊。
[發明之效果]
根據實施形態,可有效地去除對象物之放射線圖像之雜訊。
以下,參照附圖詳細地說明本發明之實施形態。再者,於說明中對相同要素或具有相同功能之要素使用相同符號,且省略重複之說明。
圖1係本實施形態之放射線圖像處理系統即圖像取得裝置1之構成圖。如圖1所示般,圖像取得裝置1係對沿搬送方向TD搬送之對象物F照射X射線(放射線),並取得基於穿透對象物F之X射線拍攝對象物F所得之X射線穿透圖像(放射線圖像)之裝置。圖像取得裝置1使用X射線穿透圖像,進行以對象物F為對象之異物檢查、重量檢查、驗貨檢查等,作為用途,可舉出食品檢查、隨身行李檢查、基板檢查、電池檢查、材料檢查等。圖像取得裝置1構成為具備:帶式輸送機(搬送機構)60、X射線照射器(放射線產生源)50、X射線檢測相機(攝像裝置)10、控制裝置(放射線圖像處理模組)20、顯示裝置30、及用於進行各種輸入之輸入裝置40。再者,本發明之實施形態之放射線圖像並不限於X射線圖像,亦包含藉由γ線等X射線以外之電磁放射線而產生之圖像。
帶式輸送機60具有供對象物F載置之帶部,藉由使該帶部沿搬送方向TD移動,而將對象物F以特定之搬送速度沿搬送方向TD搬送。對象物F之搬送速度例如為48 m/分鐘。帶式輸送機60可根據需要,將搬送速度變更為例如24 m/分鐘、或96 m/分鐘等之搬送速度。又,帶式輸送機60可適當變更帶部之高度位置,而變更X射線照射器50與對象物F之距離。再者,作為由帶式輸送機60搬送之對象物F,例如可舉出食用肉、魚類和貝類、農作物、點心等食品,輪胎等橡膠產品,樹脂產品、金屬產品、礦物等資源材料,廢棄物、及電子零件或電子基板等各種物品。X射線照射器50係作為X射線源將X射線朝對象物F照射(輸出)之裝置。X射線照射器50係點光源,沿一定之照射方向於特定之角度範圍使X射線擴散地照射。X射線照射器50以X射線之照射方向照向帶式輸送機60,且擴散之X射線照及對象物F之寬度方向(與搬送方向TD交叉之方向)整體之方式自帶式輸送機60離開特定之距離地配置於帶式輸送機60之上方。又,X射線照射器50於對象物F之長度方向(與搬送方向TD平行之方向)上,將長度方向上之特定之分割範圍設為照射範圍,且對象物F被帶式輸送機60朝搬送方向TD搬送,藉此向對象物F之長度方向整體照射X射線。X射線照射器50由控制裝置20設定管電壓及管電流,將與所設定之管電壓及管電流相應之特定之能量、放射線量之X射線向帶式輸送機60照射。又,於 X射線照射器50之帶式輸送機60側之附近,設置有使X射線之特定波長頻帶穿透之濾光器51。
X射線檢測相機10檢測由X射線照射器50照射至對象物F之X射線中之穿透對象物F之X射線,並輸出基於該X射線之信號。X射線檢測相機10之檢測X射線之構成係配置2組之雙線路X射線相機。於本實施形態之圖像取得裝置1中,基於由雙線路X射線相機各自之線路(第1線路及第2線路)檢測到之X射線,分別產生X射線穿透圖像。而且,藉由對於所產生之2個X射線穿透圖像進行平均處理或加算處理等,而與基於由1條線路檢測到之X射線產生X射線穿透圖像之情形相比,可以較少之X射線量取得鮮明之(亮度大之)圖像。
X射線檢測相機10具有:濾光器19、閃爍器11a、11b、線掃描相機12a、12b、感測器控制部13、放大器14a、14b、AD轉換器15a、15b、修正電路16a、16b、輸出介面17a、17b、及放大器控制部18。閃爍器11a、線掃描相機12a、放大器14a、AD轉換器15a、修正電路16a、及輸出介面17a分別電性連接,係第1線路之構成。又,閃爍器11b、線掃描相機12b、放大器14b、AD轉換器15b、修正電路16b、及輸出介面17b分別電性連接,係第2線路之構成。第1線路之線掃描相機12a與第2線路之線掃描相機12b沿著搬送方向TD排列地配置。再者,以下對於在第1線路與第2線路中共通之構成以第1線路之構成為代表進行說明。
閃爍器11a藉由接著等固定於線掃描相機12a上,將穿透對象物F之X射線轉換成閃爍光。閃爍器11a將閃爍光輸出至線掃描相機12a。濾光器19使X射線之特定波長頻帶往向閃爍器11a並穿透。
線掃描相機12a檢測來自閃爍器11a之閃爍光,並轉換成電荷,作為檢測信號(電信號)輸出至放大器14a。線掃描相機12a具有沿與搬送方向TD交叉之方向並列之複數個線性感測器。線性感測器例如係CCD(Charge Coupled Device,電荷耦合元件)影像感測器或CMOS(Complementary Metal-Oxide Semiconductor,互補式金屬氧化物半導體)影像感測器等,包含複數個光電二極體。
感測器控制部13以線掃描相機12a、12b可拍攝穿透對象物F之相同區域之X射線之方式,將線掃描相機12a、12b以特定之檢測週期重複拍攝之方式進行控制。特定之檢測週期例如可基於線掃描相機12a、12b間之距離、帶式輸送機60之速度、X射線照射器50與帶式輸送機60上之對象物F之距離(FOD(Focus Object Distance:線源物體間距離))、以及X射線照射器50與線掃描相機12a、12b之距離(FDD(Focus Detector Distance:線源感測器間距離)),設定線掃描相機12a、12b共通之週期。又,特定之週期亦可基於與線掃描相機12a、12b各自之線性感測器之像素排列方向正交之方向之光電二極體之像素寬度,分別個別地設定。該情形下,可根據線掃描相機12a、12b間之距離、帶式輸送機60之速度、X射線照射器50與帶式輸送機60上之對象物F之距離(FOD)、以及X射線照射器50與線掃描相機12a、12b之距離(FDD),特定線掃描相機12a、12b間之檢測週期之偏移(延遲時間),分別設定個別之週期。放大器14a以特定之設定放大率將檢測信號予以放大並產生放大信號,且將該放大信號輸出至AD轉換器15a。設定放大率係由放大器控制部18設定之放大率。放大器控制部18基於特定之攝像條件,設定放大器14a、14b之設定放大率。
AD轉換器15a將由放大器14a輸出之放大信號(電壓信號)轉換成數位信號,並輸出至修正電路16a。修正電路16a對數位信號進行信號放大等特定之修正,並將修正後之數位信號輸出至輸出介面17a。輸出介面17a將數位信號輸出至X射線檢測相機10外部。圖1中,AD轉換器、修正電路、或輸出介面分別個別地存在,但亦可彙集成一個。
控制裝置20例如係PC(Personal Computer,個人電腦)等電腦。控制裝置20基於自X射線檢測相機10(更詳細而言為輸出介面17a、17b)輸出之數位信號(放大信號)產生X射線穿透圖像。控制裝置20藉由將自輸出介面17a、17b輸出之2個數位信號進行平均處理或加算處理,而產生1個X射線穿透圖像。所產生之X射線穿透圖像經施加後述之雜訊去除處理之後被輸出至顯示裝置30,並由顯示裝置30顯示。又,控制裝置20控制X射線照射器50、放大器控制部18、及感測器控制部13。再者,本實施形態之控制裝置20係獨立地設置於X射線檢測相機10之外部之裝置,但亦可於X射線檢測相機10之內部一體化。
圖2顯示控制裝置20之硬體構成。如圖2所示般,控制裝置20在實體上係包含作為處理器之CPU(Central Processing Unit,中央處理單元)101、作為記錄媒體之RAM(Random Access Memory,隨機存取記憶體)102或ROM(Read Only Memory,唯讀記憶體)103、通訊模組104、及輸入輸出模組106等之電腦等,各者電性連接。再者,控制裝置20亦可包含顯示器、鍵盤、滑鼠、觸控面板顯示器等作為輸入裝置40及顯示裝置30,還可包含硬碟驅動器、半導體記憶體等資料記錄裝置。又,控制裝置20亦可包含複數個電腦。
圖3係顯示控制裝置20之功能構成之方塊圖。控制裝置20具備輸入部201、算出部202、篩選部203、選擇部204、及處理部205。圖3所示之控制裝置20之各功能部藉由在CPU 101及RAM 102等之硬體上讀入程式(本實施形態之放射線圖像處理程式),在CPU 101之控制之下,使通訊模組104、及輸入輸出模組106等動作,且進行RAM 102之資料之讀出及寫入,藉此而實現。控制裝置20之CPU 101藉由執行該電腦程式而使控制裝置20作為圖3之各功能部發揮功能,依次執行與後述之放射線圖像處理方法對應之處理。再者,CPU可為單體之硬體,亦可如軟體處理器般安裝於如FPGA之可程式化邏輯器之中者。關於RAM或ROM,可為單體之硬體,亦可內置於如FPGA之可程式化邏輯器之中者。該電腦程式之執行所需之各種資料、及藉由該電腦程式之執行而產生之各種資料全部儲存於ROM 103、RAM 102等內置記憶體、或硬碟驅動器等記憶媒體。
又,於控制裝置20,藉由利用CPU 101讀入,而於CPU 101中預先儲存複數個以X射線穿透圖像為對象執行雜訊去除處理之學習完成模型206。複數個學習完成模型206分別係以圖像資料為示教資料預先構建之由機器學習產生之學習模型。關於機器學習,有示教學習、深層學習(深度學習)、或者強化學習、神經網路學習等。於本實施形態中,作為深度學習之算法之一例,採用張凱(Kai Zhang)等之論文「Beyonda Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising」所記載之二維之卷積神經網路。複數個學習完成模型206可由外部之電腦等產生並下載至控制裝置20,亦可在控制裝置20內產生。
圖4顯示用於學習完成模型206之構建之示教資料即圖像資料之一例。作為示教資料,可使用以各種厚度、各種材質、及各種解析度之圖案為攝像對象之X射線穿透圖像。圖4所示之例係以雞肉為對象而產生之X射線穿透圖像之例。該圖像資料可使用實際使用圖像取得裝置1以複數種對象物為對象而產生之X射線穿透圖像,亦可使用藉由模擬計算而產生之圖像資料。關於X射線穿透圖像,亦可為使用與圖像取得裝置1不同之裝置而取得者。又,亦可組合使用X射線穿透圖像與藉由模擬計算而產生之圖像資料。複數個學習完成模型206分別係以平均能量不同之穿透X射線為對象而獲得之圖像資料,雜訊分佈使用已知之圖像資料預先構建。圖像資料之X射線之平均能量分別藉由設定圖像取得裝置1之X射線照射器(放射線產生源)50之動作條件、或圖像取得裝置1之攝像條件等,或者藉由設定模擬計算時之X射線照射器50之動作條件或攝像條件,而預先設定成不同之值(關於因動作條件或攝像條件所致之平均能量之設定方法將於後述)。即,複數個學習完成模型206係將跟基於表示拍攝對象物F之X射線穿透圖像時之X射線照射器(放射線產生源)50之動作條件、或X射線檢測相機10之攝像條件等之條件資訊而算出之與穿透對象物F之X射線相關之平均能量對應之X射線圖像即訓練圖像,作為訓練資料使用,藉由機器學習而構建(構建步驟)。例如,於本實施形態中,複數個學習完成模型206係分別使用複數圖框(例如,20,000圖框)平均能量設定為10 keV、20 keV、30 keV、…之10 keV刻度之值之複數種圖像資料而構建。
圖5顯示用於學習完成模型206之構建之示教資料即圖像資料之製作步序之流程圖。
示教資料即圖像資料(亦稱為示教圖像資料),係由電腦按照以下之步序而製作。首先,製作具有特定構造之構造體之圖像(構造體圖像)(步驟S101)。例如,可藉由模擬計算來製作具有特定構造之構造體之圖像。又,亦可取得具有特定構造之圖表等構造體之X射線圖像而製作構造體圖像。接著,就自構成該構造體圖像之複數個像素中所選擇之一個像素,算出像素值之標準偏差即Σ值(步驟S102)。然後,基於在步驟S102中所求得之Σ值,設定表示雜訊分佈之正態分佈(泊松分佈)(步驟S103)。如此般,藉由基於Σ值設定正態分佈,而可產生各種雜訊條件之示教資料。繼而,依照在步驟S103中基於Σ值所設定之正態分佈,算出隨機設定之雜訊值(步驟S104)。進而,藉由對一個像素之像素值附加步驟S104中所求得之雜訊值,而產生構成示教資料即圖像資料之像素值(步驟S105)。對於構成構造體圖像之複數個像素各者,進行步驟S102至步驟S105之處理(步驟S106),產生成為示教資料之示教圖像資料(步驟S107)。又,於進一步需要示教圖像資料之情形下,判斷對別的構造體圖像進行步驟S101至步驟S107之處理(步驟S108),產生成為示教資料之別的示教圖像資料。再者,別的構造體圖像可為具有相同構造之構造體之圖像,亦可為具有別的構造之構造體之圖像。
再者,用於學習完成模型206之構建之示教資料即圖像資料需要準備多數個。又,構造體圖像之雜訊少之圖像為較佳,理想而言無雜訊之圖像為較佳。因此,若藉由模擬計算而產生構造體圖像,則可產生較多數量之無雜訊之圖像,因此藉由模擬計算產生構造體圖像有效。
以下,返回圖3,對於控制裝置20之各功能部之功能之詳情進行說明。
輸入部201自圖像取得裝置1之使用者受理表示拍攝對象物F之X射線穿透圖像時之X射線照射器(放射線產生源)50之動作條件、或者X射線檢測相機10之攝像條件等之條件資訊之輸入。作為動作條件,可舉出管電壓、靶角度、靶之材料等中之全部或一部分。作為表示攝像條件之條件資訊,可舉出配置於X射線照射器50與X射線檢測相機10之間之濾光器51、19(用於對象物之拍攝之相機所具備之濾光器或者產生源所具備之濾光器)之材質及厚度、X射線照射器50與X射線檢測相機10之距離(FDD)、X射線檢測相機10之視窗材料之種類、及與X射線檢測相機10之閃爍器11a、11b之材料及厚度相關之資訊、X射線檢測相機資訊(例如,增益設定值、電路雜訊值、飽和電荷量、轉換係數值(電子數/count)、相機之行頻(Hz)或線速度(m/min))、對象物之資訊等中之全部或一部分。輸入部201可將條件資訊之輸入作為數值等之資訊之直接輸入而受理,亦可作為對預先設定於內部記憶體之數值等之資訊之選擇輸入而受理。輸入部201自使用者受理上述之條件資訊之輸入,但亦可根據由控制裝置20執行之控制狀態之檢測結果而取得一部分條件資訊(管電壓等)。
算出部202基於由輸入部201受理之條件資訊,算出使用圖像取得裝置1使對象物F穿透並由X射線檢測相機10檢測出之X射線(放射線)之平均能量之值。例如,算出部202基於條件資訊所含之管電壓、靶角度、靶之材料、濾光器之材質及厚度及其有無、視窗材料之種類及其有無、X射線檢測相機10之閃爍器11a、11b之材料及厚度等之資訊,使用例如周知之塔克(Tucker)等之近似式算出由X射線檢測相機10檢測出之X射線之光譜。然後,算出部202根據X射線之光譜,進一步算出光譜強度積分值與光子數積分值,將光譜強度積分值以光子數積分值相除,藉此算出X射線之平均能量之值。
對於使用周知之塔克(Tucker)之近似式之算出方法進行記載。例如,算出部202在將靶特定為鎢、將靶角度特定為25°時,可決定Em:電子靶碰撞時之運動能量、T:靶中之電子運動能量、A:由靶物質之原子序數決定之比例常數、ρ:靶之密度、μ(E):靶物質之線減弱係數、B:和緩地變化之Z與T之函數、C:湯姆孫-魏定頓(Thomson-Whiddington)常數、θ:靶角度、c:真空中之光速度。進而,算出部202藉由基於該等計算下述式(1),而可算出照射X射線光譜。
接著,算出部202可使用下述式(2)之X射線之減弱式算出穿透濾光器及對象物F且由閃爍器吸收之X射線能量光譜。
[數2]
此處,μ係對象物質、濾光器、閃爍器等之減弱係數,x係對象物質、濾光器、閃爍器等之厚度。μ可根據對象物、濾光器、及閃爍器之材質之資訊決定,x可根據對象物、濾光器、及閃爍器之厚度之資訊決定。X射線光子數光譜藉由將該X射線能量光譜以各X射線之能量相除而求得。算出部202藉由將能量強度之積分值以光子數之積分值相除,使用下述式(3)而算出X射線之平均能量。
平均能量E=光譜強度積分值/光子數積分值 …(3)
藉由上述之計算過程,算出部202算出X射線之平均能量。再者,關於X射線光譜之算出,亦可使用周知之克拉莫(Kramers)、或貝赫(Birch)等之近似式。
篩選部203基於由算出部202算出之平均能量之值,自預先構建之複數個學習完成模型206之中,篩選學習完成模型之候選者。亦即,篩選部203對所算出之平均能量之值與用於複數個學習完成模型206之構建之圖像資料中之X射線之平均能量之值予以比較,將藉由平均能量之值相近之圖像資料而構建之複數個學習完成模型206篩選為候選者。更具體而言,於由算出部202算出之平均能量之值為53 keV時,篩選部203將藉由與該值與之差未達特定之臨限值(例如15 keV)之平均能量值40 keV、50 keV、60 keV之圖像資料而構建之學習完成模型206設為學習完成模型之候選者。
選擇部204自經篩選部203篩選之候選者之中選擇最終用於對象物F之X射線穿透圖像之雜訊去除處理之學習完成模型206。詳細而言,選擇部204取得於圖像取得裝置1中以治具為對象照射X射線並拍攝之X射線穿透圖像,且基於該X射線穿透圖像之圖像特性,選擇最終使用之學習完成模型206。此時,選擇部204解析能量特性、雜訊特性、或者解析度特性等作為X射線穿透圖像之圖像特性,並基於其解析結果選擇學習完成模型206。
更具體而言,選擇部204以作為治具之已知厚度及材質、且已知X射線之平均能量與X射線穿透率之關係之平板狀構件為對象取得X射線穿透圖像,將穿透治具之X射線像之亮度與穿透空氣之X射線像之亮度予以比較,算出治具之1點(或者複數點之平均)之X射線之穿透率。例如,於穿透治具之X射線像之亮度為5,550,穿透空氣之X射線像之亮度為15,000之情形下,算出穿透率37%。然後,選擇部204將根據穿透率37%而推定之穿透X射線之平均能量(例如,50 keV)特定為治具之X射線穿透圖像之能量特性。選擇部204選擇一個藉由最接近特定之平均能量之值之平均能量之圖像資料而構建之學習完成模型206。
又,選擇部204亦可解析厚度或者材質變化之治具之複數點之特性,作為治具之X射線穿透圖像之能量特性。圖6係顯示選擇部204之解析對象之X射線穿透圖像之一例之圖。圖6係以厚度階狀變化之形狀之治具為對象之X射線穿透圖像。選擇部204自如此之X射線穿透圖像選擇厚度不同之複數個測定區域(ROI:Region Of Interest,感興趣區域),解析複數個測定區域每一者之亮度平均值,將厚度-亮度之特性曲線圖作為能量特性而取得。圖7顯示選擇部204所取得之厚度-亮度之特性曲線圖之一例。
進而,選擇部204同樣地,以用於經篩選部203篩選之學習完成模型206之構建之圖像資料為對象,取得厚度-亮度之特性曲線圖,將藉由具有最接近以治具為對象而取得之特性曲線圖之特性之圖像資料而構建之學習完成模型206選作最終之學習完成模型206。然而,用於該學習完成模型206之構建之圖像資料之圖像特性亦可參照預先於控制裝置20之外部算出者。如此般,藉由設定複數個測定區域,可選擇在對象物F之X射線穿透圖像之雜訊去除上最佳之學習完成模型。特別是,可高精度地推定X射線穿透圖像之測定時之X射線光譜之不同或者濾光器之效果之不同。
又,選擇部204可解析複數個測定區域每一者之亮度值與雜訊作為治具之X射線穿透圖像之雜訊特性,且將亮度-雜訊比之特性曲線圖作為雜訊特性而取得。亦即,選擇部204自X射線穿透圖像選擇厚度或者材質不同之複數個測定區域ROI,解析複數個測定區域ROI之亮度值之標準偏差及亮度值之平均值,並將亮度-SNR(SN比)之特性曲線圖作為雜訊特性而取得。此時,選擇部204藉由SNR=(亮度值之平均值)÷(亮度值之標準偏差)而算出每個測定區域ROI之SNR。圖8顯示選擇部204所取得之亮度-SNR之特性曲線圖之一例。然後,選擇部204將藉由具有最接近所取得之特性曲線圖之雜訊特性之圖像資料而構建之學習完成模型206選作最終之學習完成模型206。
此處,選擇部204亦可取得將縱軸設為根據亮度值之標準偏差而計算出之雜訊之特性曲線圖取代上述之亮度-SNR之特性曲線圖作為雜訊特性。藉由使用如此之亮度-雜訊之特性曲線圖,可針對由X射線檢測相機10檢測出之各信號量,根據各信號量之區域之曲線圖之斜率特定支配性之雜訊要因(散粒雜訊、讀出雜訊等),且基於該特定之結果選擇學習完成模型206。
圖9係用於說明由選擇部204執行之基於圖像特性之學習完成模型之選擇功能之圖。於圖9中,(a)部顯示用於複數個學習完成模型206之構建之各個圖像資料之亮度-SNR之特性曲線圖G
1、G
2、G
3,(b)部除了該等之特性曲線圖G
1、G
2、G
3以外,亦顯示拍攝治具之X射線穿透圖像之亮度-SNR之特性曲線圖G
T。於以如此之特性曲線圖G
1、G
2、G
3、G
T為對象之情形下,選擇部204以選擇藉由最接近特性曲線圖G
T之特性之特性曲線圖G
2之圖像資料而構建之學習完成模型206之方式發揮功能。於選擇時,選擇部204於各特性曲線圖G
1、G
2、G
3與特性曲線圖G
T間,計算一定間隔之每個亮度值之SNR之誤差,且計算該等之誤差之均方誤差(RMSE:Root Mean Squared Error),選擇與均方誤差為最小之特性曲線圖G
1、G
2、G
3對應之學習完成模型206。又,選擇部204於使用能量特性進行選擇之情形下,亦可同樣地選擇學習完成模型206。
選擇部204亦可以治具之X射線穿透圖像為對象基於應用複數個學習完成模型執行雜訊去除處理之後之圖像之特性,選擇學習完成模型206。
例如,選擇部204使用拍攝具有各種解析度之圖表之治具之X射線穿透圖像,對該圖像應用複數個學習完成模型206,評估其結果產生之雜訊去除後之圖像。然後,選擇部204選擇用於雜訊去除處理前後之解析度之變化最小之圖像之學習完成模型206。圖10顯示用於解析度之評估之X射線穿透圖像之一例。於該X射線穿透圖像中,將解析度沿著一方向階狀變化之圖表設為攝像對象。X射線穿透圖像之解析度可使用MTF(Modulation Transfer Function,調製轉換函數)或CTF(Contrast Transfer Function,對比轉換函數)測定。
除了上述之解析度之變化之評估以外,選擇部204亦可評估雜訊去除後之圖像之亮度-雜訊比之特性,且選擇用於該特性為最高之圖像之產生之學習完成模型206。圖11顯示用於亮度-雜訊比之評估之治具之構造之一例。例如,作為治具,可使用在厚度沿一方向階狀變化之構件P1中散佈具有各種材質及各種大小之異物P2者。圖12顯示以圖11之治具為對象獲得之雜訊去除處理後之X射線穿透圖像。選擇部204在X射線穿透圖像中選擇包含異物P2之像之圖像區域R1與該區域R1之附近之不含異物P2之像之圖像區域R2,計算圖像區域R1之亮度之最小值L
MIN與圖像區域R2之亮度之平均值L
AVE及圖像區域R2之亮度之標準偏差L
SD。然後,選擇部204使用下述式:
CNR=(L
AVE-L
MIN)/L
SD,
算出亮度-雜訊比CNR。進而,選擇部204以應用複數個學習完成模型206後之X射線穿透圖像各者為對象算出亮度-雜訊比CNR,選擇用於亮度-雜訊比CNR為最高之X射線穿透圖像之產生之學習完成模型206。
或者,選擇部204亦可基於圖像區域R1之亮度之平均值L
AVE_R1與圖像區域R2之亮度之平均值L
AVE_R2及圖像區域R2之亮度之標準偏差L
SD,藉由下述式進行計算。
CNR=(L
AVE_R1-L
MIN_R2)/L
SD
處理部205藉由將由選擇部204選擇之學習完成模型206應用於以對象物F為對象而取得之X射線穿透圖像,並執行去除雜訊之圖像處理而產生輸出圖像。然後,處理部205將所產生之輸出圖像輸出至顯示裝置30等。
接著,對於使用本實施形態之圖像取得裝置1之對象物F之X射線穿透像之觀察處理之步序、亦即本實施形態之放射線圖像處理方法之流程進行說明。圖13係顯示由圖像取得裝置1執行之觀察處理之步序之流程圖。
首先,藉由控制裝置20,自圖像取得裝置1之操作員(使用者)受理表示X射線照射器50之動作條件、或者由X射線檢測相機10執行之攝像條件等之條件資訊之輸入(步驟S1)。接著,藉由控制裝置20基於條件資訊算出由X射線檢測相機10檢測出之X射線之平均能量之值(步驟S2)。
進而,藉由控制裝置20,特定用於儲存於控制裝置20之學習完成模型206之構建之圖像資料之X射線之平均能量之值(步驟S3)。其後,對於儲存於控制裝置20之全部之學習完成模型206,重複X射線之平均能量之值之特定(步驟S4)。
接著,藉由利用控制裝置20比較所算出之X射線之平均能量之值,來篩選複數個學習完成模型206之候選者(步驟S5)。進而,藉由在圖像取得裝置1中設置治具並拍攝該治具,而取得治具之X射線穿透圖像(步驟S6)。
其後,藉由控制裝置20取得治具之X射線穿透圖像之圖像特性(X射線之平均能量之值、厚度-亮度之特性、亮度-雜訊比之特性、亮度-雜訊之特性、解析度變化之特性等)(步驟S7)。然後,藉由控制裝置20基於所取得之圖像特性,選擇最終之學習完成模型206(步驟S8)。
進而,藉由在圖像取得裝置1中設置對象物F且拍攝對象物F,而取得對象物F之X射線穿透圖像(步驟S9)。接著,藉由利用控制裝置20將最終選擇之學習完成模型206應用於對象物F之X射線穿透圖像,而以X射線穿透圖像為對象執行雜訊去除處理(步驟S10)。最後,藉由控制裝置20將經實施雜訊去除處理之X射線穿透圖像之輸出圖像輸出至顯示裝置30(步驟S11)。
根據以上所說明之圖像取得裝置1,基於取得對象物F之X射線穿透圖像時之X射線之產生源之動作條件或X射線穿透圖像之攝像條件,算出穿透對象物F之X射線之平均能量。然後,基於該平均能量,自預先構建之學習完成模型206之中篩選用於雜訊去除之學習完成模型206之候選者。藉此,由於與攝像對象之X射線之平均能量對應之學習完成模型206使用於雜訊去除,因此可實現跟X射線穿透圖像之亮度與雜訊之關係對應之雜訊去除。其結果為,可有效地去除X射線穿透圖像之雜訊,例如可提高異物檢測性能。特別是,X射線穿透圖像根據管電壓、濾光器、閃爍器、X射線檢測相機之條件(增益設定值、電路雜訊值、飽和電荷量、轉換係數值(e-/count)、相機之行頻)、對象物等之不同而雜訊之態樣變化。因此,於欲藉由機器學習來實現雜訊去除之情形下,需要事先準備在各種條件下學習之複數個學習模型。先前,尚未實現配合X射線穿透圖像之測定時之條件而自複數個學習模型之中選擇符合雜訊之態樣之學習模型。根據本實施形態,藉由選擇與攝像對象之X射線之平均能量對應之學習完成模型206,而實現始終符合雜訊之態樣之學習模型之選擇。
一般而言,於X射線穿透圖像中,含有X射線產生緣由之雜訊。考量為了提高X射線穿透圖像之SN比而增加X射線量,但該情形下,若增加X射線量則感測器之被照射量增加,而有感測器之壽命變短、X射線產生源之壽命變短之問題,而難以兼顧SN比之提高與長壽命化。於本實施形態中,無需增加X射線量,因此可兼顧SN比之提高與長壽命化。
又,本實施形態之控制裝置20具有執行圖像處理之功能,該圖像處理使用所選擇之學習完成模型206自對象物F之X射線穿透圖像去除雜訊。藉由如此之功能,可實現跟X射線穿透圖像之亮度與雜訊之關係對應之雜訊去除,且可有效地去除X射線穿透圖像之雜訊。
又,本實施形態之控制裝置20具有如下之功能:藉由比較根據選擇資訊算出之X射線之平均能量之值、與自用於學習完成模型206之構建之圖像資料特定之平均能量之值,來篩選學習完成模型之候選者。藉由如此之功能,可確實地實現跟X射線穿透圖像之亮度與雜訊之關係對應之雜訊去除。
進而,本實施形態之控制裝置20具有基於治具之X射線穿透圖像之圖像特性自候選者中選擇學習完成模型206之功能。藉由如此之功能,可於對象物F之X射線穿透圖像之雜訊去除上選擇最佳之學習完成模型206。其結果為,可更確實地實現跟X射線穿透圖像之亮度與雜訊之關係對應之雜訊去除。
圖14及圖15顯示由圖像取得裝置1取得之雜訊去除處理之前後之X射線穿透圖像之例。圖14及圖15分別顯示以被賦予金屬、玻璃等異物之乳酪為對象之圖像、以殘存有各種大小之骨頭之雞肉為對象之圖像,分別於左側顯示雜訊處理前之圖像,於右側顯示雜訊處理後之圖像。如此般,可知根據本實施形態,對各種對象物有效地進行雜訊去除。
以上,對於本發明之各種實施形態進行了說明,但本發明並不限定於上述實施形態,可在不變更記載於各申請專利範圍之要旨之範圍內進行變化,或可為應用於其他實施形態者。
例如,以X射線檢測相機10為雙線路X射線相機進行了說明,但並不限定於此,亦可為單線路X射線相機、雙能量X射線相機、TDI(Time Delay Integration,時間延遲積分)掃描X射線相機、具有2條線路以上之複數條線路之多線路X射線相機、二維X射線相機、X射線平板感測器、X射線I.I、不使用閃爍器之直接轉換型X射線相機(a-Se、Si、CdTe、CdZnTe、TlBr、PbI2等)、使用藉由透鏡耦合而實現之光學透鏡來觀察閃爍器之方式的相機。又,X射線檢測相機10亦可為對放射線具有感度之攝像管、或對放射線具有感度之點感測器。
又,上述實施形態之控制裝置20,係基於根據條件資訊算出之X射線之平均能量之值,來選擇學習完成模型206之候選者,但亦可如以下所示之變化例之控制裝置20A般,具有對應X射線檢測相機10之性能劣化、X射線照射器50之輸出變動或性能劣化之功能。
又,關於圖像取得裝置1,亦不限定於上述實施形態,亦可為CT(Computed Tomography,電腦斷層攝影)裝置等在使對象物F靜止之狀態下進行拍攝之放射線圖像處理系統。進而,亦可為一面使對象物F旋轉,一面進行拍攝之放射線圖像處理系統。
圖16顯示變化例之控制裝置20A之功能構成之方塊圖。控制裝置20A與上述實施形態之控制裝置20比較,於具有測定部207之點、以及算出部202A及篩選部203A之功能上不同。
於控制裝置20中,在將X射線檢測相機10之性能劣化及X射線照射器50之輸出變動或性能劣化設為無,而可根據X射線之平均能量推定X射線穿透圖像之亮度與雜訊之關係之前提下,篩選學習完成模型206。相對於此,於本變化例之控制裝置20A中,具有如下之功能:考量X射線檢測相機10之性能劣化、X射線照射器50之輸出變動、或其性能劣化,算出X射線轉換係數,且基於X射線轉換係數篩選學習完成模型206。X射線轉換係數係表示在X射線以閃爍器轉換成可見光之後,直至以相機之感測器轉換成電子(電信號)之效率之參數。
一般而言,在將X射線之平均能量設為E[keV],將閃爍器發光量設為EM[photon/keV]、將感測器之耦合效率設為C、將感測器之量子效率設為QE時,可藉由下述式:
F
T=E×EM×C×QE
計算X射線轉換係數F
T。又,由於使用X射線轉換係數F
T與X射線光子數N
P及相機之讀出雜訊Nr藉由下述式:
SNR=F
TN
P/{(F
TN
P+Nr
2)
1/2}
求得X射線穿透圖像之SN比(SNR),因此可基於X射線轉換係數F
T推定考量了相機之性能劣化後之X射線穿透圖像之亮度與雜訊之關係。
控制裝置20A之測定部207具有測定作為閃爍器11a、11b之性能劣化之發光量EM之下降量、作為線掃描相機12a、12b之性能劣化之感測器之量子效率QE之下降量、作為X射線照射器50之輸出變動及性能劣化之平均能量E之變化量之功能。例如,測定部207測定閃爍器11a、11b之無性能劣化之狀態(新品時之狀態)與當前之閃爍器11a、11b之間之發光量之下降量,且根據該下降量推定當前之發光量EM。又,測定部207測定線掃描相機12a、12b之無性能劣化之狀態(新品時之狀態)與當前之線掃描相機12a、12b之間之亮度下降量,且根據該下降量推定當前之量子效率QE。又,測定部207根據X射線照射器50之無性能劣化之狀態(新品時之狀態)與當前之X射線照射器50之間之平均能量之變化量推定當前之平均能量E。平均能量E可根據厚度及材質為已知、且X射線之平均能量與X射線穿透率之關係為已知之平板狀構件之攝像資料而求得,或可根據厚度或者材質變化之治具之複數點之攝像資料而求得等。
控制裝置20A之算出部202A使用所算出之X射線之平均能量E與由測定部207推定之發光量EM及量子效率QE算出X射線轉換係數F
T。控制裝置20A之篩選部203具有如下之功能:藉由對所算出之X射線轉換係數F
T與用於學習完成模型206之構建之圖像資料之X射線轉換係數F
T予以比較,而篩選學習完成模型206之候選者。
又,上述實施形態之控制裝置20係在篩選了學習完成模型之候選者之後,基於拍攝治具所得之圖像特性來選擇學習完成模型,但亦可不進行治具之拍攝而執行針對對象物之X射線穿透圖像之雜訊去除處理。圖17係顯示由變化例之圖像取得裝置1執行之觀察處理之步序之流程圖。如此般,亦可省略圖13中之步驟S6~S8之處理,而使用基於平均能量篩選之學習完成模型執行雜訊去除處理。
於上述之實施形態中,較佳的是進而具備執行使用候選者自對象物之放射線圖像去除雜訊之圖像處理之步驟。於上述實施形態中,較佳的是進而具備執行使用候選者自對象物之放射線圖像去除雜訊之圖像處理之處理部。藉此,可實現跟放射線圖像之亮度與雜訊之關係對應之雜訊去除,且可有效地去除放射線圖像之雜訊。
又,於篩選之步驟中,較佳的是藉由比較平均能量與根據圖像資料特定之平均能量來篩選候選者。又,篩選部較佳的是藉由對平均能量與根據圖像資料特定之平均能量進行比較而篩選候選者。該情形下,藉由與根據用於學習完成模型之構建之圖像資料特定之平均能量比較,來篩選學習完成模型,因此可確實地實現跟放射線圖像之亮度與雜訊之關係對應之雜訊去除。
進而,於條件資訊中較佳的是至少包含產生源之管電壓、用於對象物之拍攝之相機所具備之濾光器之資訊、產生源所具備之濾光器之資訊、相機所具備之閃爍器之資訊、產生源與攝像裝置之間之距離、與用於對象物之拍攝之X射線檢測相機相關資訊、及與對象物相關之資訊中任一者。該情形下,由於可高精度地計算穿透對象物之放射線之平均能量,因此可進行跟放射線圖像之亮度與雜訊之關係對應之雜訊去除。
又,進而,較佳的是進而具備如下之步驟:照射放射線並拍攝治具且取得放射線圖像,基於該放射線圖像之圖像特性自候選者選擇學習完成模型。又,進而,較佳的是進而具備選擇部,該選擇部照射放射線並拍攝治具且取得放射線圖像,基於該放射線圖像之圖像特性自候選者選擇學習完成模型。根據所述構成,由於基於拍攝實際之治具而獲得之放射線圖像之圖像特性選擇學習完成模型,因此可在對象物之放射線圖像之雜訊去除上選擇最佳之學習完成模型。其結果為,可更確實地實現跟放射線圖像之亮度與雜訊之關係對應之雜訊去除。
[產業上之可利用性]
實施形態係以放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式及放射線圖像處理系統為使用用途,可有效地去除放射線圖像之雜訊者。
1:圖像取得裝置
10:X射線檢測相機(攝像裝置)
11a, 11b:閃爍器
12a, 12b:線掃描相機
13:感測器控制部
14a, 14b:放大器
15a, 15b:AD轉換器
16a, 16b:修正電路
17a, 17b:輸出介面
18:放大器控制部
19:濾光器
20, 20A:控制裝置(放射線圖像處理模組)
30:顯示裝置
40:輸入裝置
50:X射線照射器(放射線產生源)
51:濾光器
60:帶式輸送機(搬送機構)
101:CPU
102:RAM
103:ROM
104:通訊模組
106:輸入輸出模組
201:輸入部
202, 202A:算出部
203, 203A:篩選部
204:選擇部
205:處理部
206:學習完成模型
207:測定部
F:對象物
G
1,
G
2, G
3,G
T:特性曲線圖
P1:構件
P2:異物
R1, R2:圖像區域
S1~S11, S101~S108:步驟
TD:搬送方向
圖1係實施形態之圖像取得裝置1之概略構成圖。
圖2係顯示圖1之控制裝置20之硬體構成之一例之方塊圖。
圖3係顯示圖1之控制裝置20之功能構成之方塊圖。
圖4係顯示用於圖3之學習完成模型206之構建之示教資料即圖像資料之一例之圖。
圖5係顯示用於圖3之學習完成模型206之構建之示教資料即圖像資料之製作步序之流程圖。
圖6係顯示圖3之選擇部204之解析對象之X射線穿透圖像之一例之圖。
圖7係顯示圖3之選擇部204所取得之厚度-亮度之特性曲線圖之一例之圖。
圖8係顯示圖3之選擇部204所取得之亮度-SNR之特性曲線圖之一例之圖。
圖9(a)、(b)係用於說明基於圖3之選擇部204所取得之圖像特性之學習完成模型之選擇功能之圖。
圖10係顯示用於評估圖3之選擇部204所取得之解析度之X射線穿透圖像之一例之圖。
圖11係顯示用於評估圖3之選擇部204所取得之亮度-雜訊比之治具之構造之一例之立體圖。
圖12係顯示以圖11之治具為對象而獲得之雜訊去除處理後之X射線穿透圖像之圖。
圖13係顯示使用圖像取得裝置1之觀察處理之步序之流程圖。
圖14係顯示由圖像取得裝置1取得之雜訊去除處理之前後之X射線穿透圖像之例之圖。
圖15係顯示由圖像取得裝置1取得之雜訊去除處理之前後之X射線穿透圖像之例之圖。
圖16係顯示本揭示之變化例之控制裝置20A之功能構成之方塊圖。
圖17係顯示使用變化例之圖像取得裝置1之觀察處理之步序之流程圖。
20:控制裝置(放射線圖像處理模組)
201:輸入部
202:算出部
203:篩選部
204:選擇部
205:處理部
206:學習完成模型
Claims (16)
- 一種放射線圖像處理方法,其包含如下之步驟:輸入表示照射放射線並拍攝對象物時之前述放射線之產生源之條件、或攝像條件之任一者之條件資訊; 基於前述條件資訊,算出與穿透前述對象物之前述放射線相關之平均能量;及 基於前述平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
- 如請求項1之放射線圖像處理方法,其進而包含執行使用前述候選者自前述對象物之放射線圖像去除雜訊之圖像處理之步驟。
- 如請求項1或2之放射線圖像處理方法,其中在前述篩選之步驟中,藉由比較前述平均能量與根據前述圖像資料而特定之平均能量,來篩選前述候選者。
- 如請求項1至3中任一項之放射線圖像處理方法,其中前述條件資訊至少包含:前述產生源之管電壓、用於前述對象物之拍攝之相機所具備之濾光器之資訊、前述產生源所具備之濾光器之資訊、前述相機所具備之閃爍器之資訊、前述產生源與攝像裝置之間之距離、與用於前述對象物之拍攝之X射線檢測相機相關之資訊、及與前述對象物相關之資訊中任一者。
- 如請求項1至4中任一項之放射線圖像處理方法,其進而具備如下之步驟:照射放射線並拍攝治具取得放射線圖像,基於該放射線圖像之圖像特性,自前述候選者選擇學習完成模型。
- 如請求項1至5中任一項之放射線圖像處理方法,其中前述機器學習係深度學習。
- 一種學習完成模型,其使用於請求項1至6中任一項之放射線圖像處理方法,且 其係使用圖像資料藉由機器學習而構建,使處理器執行自前述對象物之放射線圖像去除雜訊之圖像處理。
- 一種放射線圖像處理模組,其包含:輸入部,其受理表示照射放射線並拍攝對象物時之前述放射線之產生源之條件、或攝像條件之任一者之條件資訊; 算出部,其基於前述條件資訊,算出與穿透前述對象物之前述放射線相關之平均能量;及 篩選部,其基於前述平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
- 如請求項8之放射線圖像處理模組,其進而包含執行使用前述候選者,自前述對象物之放射線圖像去除雜訊之圖像處理之處理部。
- 如請求項8或9之放射線圖像處理模組,其中藉由比較前述平均能量與根據前述圖像資料而特定之平均能量,來篩選前述候選者。
- 如請求項8至10中任一項之放射線圖像處理模組,其中前述條件資訊包含前述產生源之管電壓、濾光器、前述產生源與攝像裝置之間之距離、X射線檢測相機、及與前述對象物相關之資訊。
- 如請求項8至11中任一項之放射線圖像處理模組,其進而包含選擇部,該選擇部照射放射線並拍攝治具取得放射線圖像,基於該放射線圖像之圖像特性,自前述候選者選擇學習完成模型。
- 如請求項8至12中任一項之放射線圖像處理模組,其中前述機器學習係深度學習。
- 一種放射線圖像處理程式,其使處理器作為輸入部、算出部及篩選部而發揮功能, 該輸入部係受理表示照射放射線並拍攝對象物時之前述放射線之產生源之條件、或攝像條件之任一者之條件資訊; 該算出部係基於前述條件資訊,算出與穿透前述對象物之前述放射線相關之平均能量; 該篩選部係基於前述平均能量,自預先使用圖像資料藉由機器學習而分別構建之複數個學習完成模型之中,篩選學習完成模型之候選者。
- 一種放射線圖像處理系統,其包含:請求項8至13中任一項之放射線圖像處理模組; 前述產生源,其向前述對象物照射放射線;及 攝像裝置,其拍攝穿透前述對象物之放射線,取得前述放射線圖像。
- 一種機器學習方法,其包含藉由機器學習構建學習完成模型之構建步驟,該學習完成模型係將跟基於表示照射放射線並拍攝對象物時之前述放射線之產生源之條件、或攝像條件之任一者之條件資訊,而算出之平均能量、且係與穿透前述對象物之前述放射線相關之前述平均能量對應之前述對象物之放射線圖像即訓練圖像,作為訓練資料而使用,輸出基於前述訓練圖像而去除雜訊後之圖像資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110129134A TW202307465A (zh) | 2021-08-06 | 2021-08-06 | 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110129134A TW202307465A (zh) | 2021-08-06 | 2021-08-06 | 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202307465A true TW202307465A (zh) | 2023-02-16 |
Family
ID=86661169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110129134A TW202307465A (zh) | 2021-08-06 | 2021-08-06 | 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202307465A (zh) |
-
2021
- 2021-08-06 TW TW110129134A patent/TW202307465A/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110072459B (zh) | 用于自校准的自校准ct检测器、系统和方法 | |
JP6665158B2 (ja) | X線ct装置 | |
CN108135560B (zh) | X射线ct数据处理装置以及搭载其的x射线ct装置 | |
US10713822B2 (en) | Tomographic imaging apparatus, method of controlling the same, and computer program product | |
EP3631763B1 (en) | Method and devices for image reconstruction | |
JP7427803B2 (ja) | 光子計数x線検出器のためのスペクトル・パイルアップ補正 | |
WO2015146691A1 (ja) | X線撮影装置 | |
WO2021210618A1 (ja) | 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム | |
WO2023281890A1 (ja) | 放射線画像取得装置、放射線画像取得システム、及び放射線画像取得方法 | |
JP7060446B2 (ja) | X線ラインセンサ及びそれを用いたx線異物検出装置 | |
TW202307465A (zh) | 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法 | |
WO2021210617A1 (ja) | 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法 | |
JP6700737B2 (ja) | 放射線撮像システム、信号処理装置、及び、放射線画像の信号処理方法 | |
TW202307785A (zh) | 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式及放射線圖像處理系統 | |
WO2022172506A1 (ja) | 放射線画像処理方法、機械学習方法、学習済みモデル、機械学習の前処理方法、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム | |
WO2021210612A1 (ja) | 放射線画像取得装置、放射線画像取得システム、及び放射線画像取得方法 | |
Kotwaliwale et al. | Calibration of a soft X-ray digital imaging system for biological materials | |
CN111566514A (zh) | 电荷共享校准方法及系统 | |
US12004895B2 (en) | Metric-based data management for X-ray imaging systems | |
US11166683B2 (en) | Spectral pileup correction for photon-counting x-ray detectors |